import pandas as pd
import numpy as np
import datetime as dt
from datetime import datetime
import seaborn as sns
import matplotlib as cm
import matplotlib.pyplot as plt
import altair as alt
from vega_datasets import data
from math import log10
pd.set_option('display.max_columns', None)
import matplotlib.pyplot as plt
import plotly.express as px
import plotly.graph_objects as go
import warnings
warnings.filterwarnings("ignore")
from PIL import Image

Importar datos

Datos extraídos de la fuente 'Datos.gob.ar'

Fecha creación: 10 de Febrero de 2017

Datos actualizados por última vez: 10 de Febrero de 2017

Fuente: Kaggle

datos = pd.read_csv("C:/Users/David Benavides/Documents/Visualización de datos/database.csv",sep=";")
datos.head()

	Record ID	Agency Code	Agency Name	Agency Type	City	State	Year	Month	Incident	Crime Type	Crime Solved	Victim Sex	Victim Age	Victim Race	Victim Ethnicity	Perpetrator Sex	Perpetrator Age	Perpetrator Race	Perpetrator Ethnicity	Relationship	Weapon	Victim Count	Perpetrator Count	Record Source
0	1	AK00101	Anchorage	Municipal Police	Anchorage	Alaska	1980	January	1	Murder or Manslaughter	Yes	Male	14	Native American/Alaska Native	Unknown	Male	15	Native American/Alaska Native	Unknown	Acquaintance	Blunt Object	0	0	FBI
1	2	AK00101	Anchorage	Municipal Police	Anchorage	Alaska	1980	March	1	Murder or Manslaughter	Yes	Male	43	White	Unknown	Male	42	White	Unknown	Acquaintance	Strangulation	0	0	FBI
2	3	AK00101	Anchorage	Municipal Police	Anchorage	Alaska	1980	March	2	Murder or Manslaughter	No	Female	30	Native American/Alaska Native	Unknown	Unknown	0	Unknown	Unknown	Unknown	Unknown	0	0	FBI
3	4	AK00101	Anchorage	Municipal Police	Anchorage	Alaska	1980	April	1	Murder or Manslaughter	Yes	Male	43	White	Unknown	Male	42	White	Unknown	Acquaintance	Strangulation	0	0	FBI
4	5	AK00101	Anchorage	Municipal Police	Anchorage	Alaska	1980	April	2	Murder or Manslaughter	No	Female	30	Native American/Alaska Native	Unknown	Unknown	0	Unknown	Unknown	Unknown	Unknown	0	1	FBI

Descripción de los datos

El Murder Accountability Project es la base de datos más completa de homicidios disponible actualmente en los Estados Unidos. Este conjunto de datos incluye asesinatos del Informe Suplementario de Homicidios del FBI desde 1976 hasta el presente y datos de la Ley de Libertad de Información sobre más de 22,000 homicidios que no fueron reportados al Departamento de Justicia. Este conjunto de datos incluye la edad, raza, sexo, origen étnico de las víctimas y los perpetradores, además de la relación entre la víctima y el perpetrador y el arma utilizada.

• Record ID: ID de registro
• Agency Code: Código de agencia
• Agency Name: Nombre de agencia
• Agency Type: Tipo de agencia
• City: Ciudad
• State: Estado
• Year: Año
• Month: Mes
• Incident: Incidente
• Crime Type: Tipo de delito
• Crime Solved: Crimen resuelto
• Victim Sex: Víctima Sexo
• Victim Age: Edad de la víctima
• Victim Raza: Raza de víctimas
• Victim Ethnicity: Etnia de la víctima
• Perpetrator Sex: Perpetrador Sexo
• Perpetrator Age: Edad del perpetrador
• Perpetrator Race: Raza del perpetra
• Perpetrator Ethnicity: Etnia del perpetrador
• Relationship: Relación
• Weapon: Arma
• Victim Count: Recuento de víctimas
• Perpetrator Count: Recuento de perpetradores
• Record Source: Fuente de registro

datos.dtypes

Record ID                 int64
Agency Code              object
Agency Name              object
Agency Type              object
City                     object
State                    object
Year                      int64
Month                    object
Incident                  int64
Crime Type               object
Crime Solved             object
Victim Sex               object
Victim Age                int64
Victim Race              object
Victim Ethnicity         object
Perpetrator Sex          object
Perpetrator Age          object
Perpetrator Race         object
Perpetrator Ethnicity    object
Relationship             object
Weapon                   object
Victim Count              int64
Perpetrator Count         int64
Record Source            object
dtype: object

datos.shape

(638454, 24)

datos1=datos
datos1.index=datos1["Record ID"]
datos1.drop(['Record ID'], axis=1)
datos1.head()

	Record ID	Agency Code	Agency Name	Agency Type	City	State	Year	Month	Incident	Crime Type	Crime Solved	Victim Sex	Victim Age	Victim Race	Victim Ethnicity	Perpetrator Sex	Perpetrator Age	Perpetrator Race	Perpetrator Ethnicity	Relationship	Weapon	Victim Count	Perpetrator Count	Record Source
Record ID
1	1	AK00101	Anchorage	Municipal Police	Anchorage	Alaska	1980	January	1	Murder or Manslaughter	Yes	Male	14	Native American/Alaska Native	Unknown	Male	15	Native American/Alaska Native	Unknown	Acquaintance	Blunt Object	0	0	FBI
2	2	AK00101	Anchorage	Municipal Police	Anchorage	Alaska	1980	March	1	Murder or Manslaughter	Yes	Male	43	White	Unknown	Male	42	White	Unknown	Acquaintance	Strangulation	0	0	FBI
3	3	AK00101	Anchorage	Municipal Police	Anchorage	Alaska	1980	March	2	Murder or Manslaughter	No	Female	30	Native American/Alaska Native	Unknown	Unknown	0	Unknown	Unknown	Unknown	Unknown	0	0	FBI
4	4	AK00101	Anchorage	Municipal Police	Anchorage	Alaska	1980	April	1	Murder or Manslaughter	Yes	Male	43	White	Unknown	Male	42	White	Unknown	Acquaintance	Strangulation	0	0	FBI
5	5	AK00101	Anchorage	Municipal Police	Anchorage	Alaska	1980	April	2	Murder or Manslaughter	No	Female	30	Native American/Alaska Native	Unknown	Unknown	0	Unknown	Unknown	Unknown	Unknown	0	1	FBI

datos1.isnull().sum()

Record ID                0
Agency Code              0
Agency Name              0
Agency Type              0
City                     0
State                    0
Year                     0
Month                    0
Incident                 0
Crime Type               0
Crime Solved             0
Victim Sex               0
Victim Age               0
Victim Race              0
Victim Ethnicity         0
Perpetrator Sex          0
Perpetrator Age          0
Perpetrator Race         0
Perpetrator Ethnicity    0
Relationship             0
Weapon                   0
Victim Count             0
Perpetrator Count        0
Record Source            0
dtype: int64

datos1

	Record ID	Agency Code	Agency Name	Agency Type	City	State	Year	Month	Incident	Crime Type	Crime Solved	Victim Sex	Victim Age	Victim Race	Victim Ethnicity	Perpetrator Sex	Perpetrator Age	Perpetrator Race	Perpetrator Ethnicity	Relationship	Weapon	Victim Count	Perpetrator Count	Record Source
Record ID
1	1	AK00101	Anchorage	Municipal Police	Anchorage	Alaska	1980	January	1	Murder or Manslaughter	Yes	Male	14	Native American/Alaska Native	Unknown	Male	15	Native American/Alaska Native	Unknown	Acquaintance	Blunt Object	0	0	FBI
2	2	AK00101	Anchorage	Municipal Police	Anchorage	Alaska	1980	March	1	Murder or Manslaughter	Yes	Male	43	White	Unknown	Male	42	White	Unknown	Acquaintance	Strangulation	0	0	FBI
3	3	AK00101	Anchorage	Municipal Police	Anchorage	Alaska	1980	March	2	Murder or Manslaughter	No	Female	30	Native American/Alaska Native	Unknown	Unknown	0	Unknown	Unknown	Unknown	Unknown	0	0	FBI
4	4	AK00101	Anchorage	Municipal Police	Anchorage	Alaska	1980	April	1	Murder or Manslaughter	Yes	Male	43	White	Unknown	Male	42	White	Unknown	Acquaintance	Strangulation	0	0	FBI
5	5	AK00101	Anchorage	Municipal Police	Anchorage	Alaska	1980	April	2	Murder or Manslaughter	No	Female	30	Native American/Alaska Native	Unknown	Unknown	0	Unknown	Unknown	Unknown	Unknown	0	1	FBI
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
638450	638450	WY01500	Park County	Sheriff	Park	Wyoming	2014	January	1	Murder or Manslaughter	No	Male	30	White	Hispanic	Unknown	0	Unknown	Unknown	Unknown	Handgun	0	0	FBI
638451	638451	WY01700	Sheridan County	Sheriff	Sheridan	Wyoming	2014	June	1	Murder or Manslaughter	Yes	Male	62	White	Unknown	Male	57	White	Unknown	Acquaintance	Handgun	0	0	FBI
638452	638452	WY01701	Sheridan	Municipal Police	Sheridan	Wyoming	2014	September	1	Murder or Manslaughter	Yes	Female	0	Asian/Pacific Islander	Unknown	Female	22	Asian/Pacific Islander	Unknown	Daughter	Suffocation	0	0	FBI
638453	638453	WY01800	Sublette County	Sheriff	Sublette	Wyoming	2014	December	1	Murder or Manslaughter	Yes	Male	55	White	Not Hispanic	Male	31	White	Not Hispanic	Stranger	Knife	0	1	FBI
638454	638454	WY01902	Rock Springs	Municipal Police	Sweetwater	Wyoming	2014	September	1	Murder or Manslaughter	Yes	Female	0	White	Not Hispanic	Female	24	White	Not Hispanic	Daughter	Blunt Object	0	1	FBI

638454 rows × 24 columns

datos2=datos1[datos1.iloc[:,21]!=0] #Eliminación de las filas número de victimas ya que dice que son 0

datos2=datos2[datos2.iloc[:,22]!=0]

datos2.iloc[:,21].value_counts()

1     8899
2     1469
3      584
4      184
10     160
5       72
6       69
7       24
9       20
Name: Victim Count, dtype: int64

datos2.iloc[:,22].value_counts()

1     8045
2     2033
3     1068
4      165
5       74
6       30
9       24
7       19
8       12
10      11
Name: Perpetrator Count, dtype: int64

datos2=datos2[datos2.iloc[:,15]!=0]
datos2=datos2[datos2.iloc[:,15]!=1]
datos2=datos2[datos2.iloc[:,15]!=2]
datos2=datos2[datos2.iloc[:,15]!=3]
datos2=datos2[datos2.iloc[:,15]!=4]
datos2=datos2[datos2.iloc[:,15]!=5]
datos2=datos2[datos2.iloc[:,15]!=6]
datos2=datos2[datos2.iloc[:,15]!=7]
datos2=datos2[datos2.iloc[:,15]!=8]
datos2=datos2[datos2.iloc[:,15]!=9]
#Eliminación de la columna edad de los perpetradores debido a que tome la decisión de que ya que existe en 
#el tipo de crimen la opcion de homicidio no culposo (si lo investigue y es involuntario es como cuando vas distraido
#conduciendo y matas a alguien, te culpan de eso) asi que considere que de 10 años para arriba esta abierta esa opción
#igual si quieres poner digamos de 7 para adelante solo es eliminar la linea que tiene el 8 y 9. Pero yo creo que esta
#bien asi porque en USA pues lastimosamente hay crimenes de niños con armas en casa y puede que jugando pues hay
#homicidio no voluntario por negligencia

datos2

	Record ID	Agency Code	Agency Name	Agency Type	City	State	Year	Month	Incident	Crime Type	Crime Solved	Victim Sex	Victim Age	Victim Race	Victim Ethnicity	Perpetrator Sex	Perpetrator Age	Perpetrator Race	Perpetrator Ethnicity	Relationship	Weapon	Victim Count	Perpetrator Count	Record Source
Record ID
174	174	AL00118	Brighton	Municipal Police	Jefferson	Alabama	1980	December	1	Murder or Manslaughter	Yes	Male	24	Black	Unknown	Male	22	Black	Unknown	Acquaintance	Shotgun	1	1	FBI
175	175	AL00118	Brighton	Municipal Police	Jefferson	Alabama	1980	December	1	Murder or Manslaughter	Yes	Male	18	Black	Unknown	Male	22	Black	Unknown	Acquaintance	Shotgun	1	1	FBI
191	191	AL00201	Mobile	Municipal Police	Mobile	Alabama	1980	July	3	Murder or Manslaughter	Yes	Male	50	White	Not Hispanic	Male	24	White	Not Hispanic	Stranger	Knife	1	1	FBI
224	224	AL00201	Mobile	Municipal Police	Mobile	Alabama	1980	July	3	Murder or Manslaughter	Yes	Male	38	White	Not Hispanic	Male	24	White	Not Hispanic	Stranger	Knife	1	1	FBI
346	346	AL01800	Cleburne	Sheriff	Cleburne	Alabama	1980	January	1	Murder or Manslaughter	No	Male	79	White	Unknown	Unknown	0	Unknown	Unknown	Unknown	Handgun	3	1	FBI
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
638357	638357	WIMPD00	Milwaukee	Municipal Police	Milwaukee	Wisconsin	2014	December	2	Murder or Manslaughter	No	Male	19	Black	Unknown	Unknown	0	Unknown	Unknown	Unknown	Firearm	1	1	FBI
638372	638372	WV01000	Fayette County	Sheriff	Fayette	West Virginia	2014	March	1	Murder or Manslaughter	Yes	Female	1	White	Unknown	Male	27	White	Unknown	Son	Unknown	1	1	FBI
638374	638374	WV01000	Fayette County	Sheriff	Fayette	West Virginia	2014	March	1	Murder or Manslaughter	Yes	Male	0	White	Unknown	Male	27	White	Unknown	Son	Unknown	1	1	FBI
638435	638435	WVWSP55	State Police: Welch	State Police	McDowell	West Virginia	2014	October	1	Murder or Manslaughter	Yes	Male	50	White	Unknown	Female	35	White	Unknown	Unknown	Firearm	1	2	FBI
638436	638436	WVWSP55	State Police: Welch	State Police	McDowell	West Virginia	2014	October	1	Murder or Manslaughter	Yes	Male	21	White	Unknown	Female	35	White	Unknown	Unknown	Firearm	1	2	FBI

11481 rows × 24 columns

#datos2.iloc[:,15]=pd.to_numeric(datos2.iloc[:,15])
datos2.iloc[:,15].value_counts()

Male       8359
Unknown    2658
Female      464
Name: Perpetrator Sex, dtype: int64

datos2.iloc[:,19].replace({"Girlfriend":"Boyfriend/Girlfriend","Boyfriend":"Boyfriend/Girlfriend"},inplace=True)

datos2.shape

(11481, 24)

datos2=datos2.iloc[:,1:24]
datos2=datos2[datos2['Victim Age']!=998]

datos2.columns

Index(['Agency Code', 'Agency Name', 'Agency Type', 'City', 'State', 'Year',
       'Month', 'Incident', 'Crime Type', 'Crime Solved', 'Victim Sex',
       'Victim Age', 'Victim Race', 'Victim Ethnicity', 'Perpetrator Sex',
       'Perpetrator Age', 'Perpetrator Race', 'Perpetrator Ethnicity',
       'Relationship', 'Weapon', 'Victim Count', 'Perpetrator Count',
       'Record Source'],
      dtype='object')

Visualizciones David Benavides

Multivariado

plt.figure(figsize=[20,30])
sns.catplot(data = datos2,
            kind = "bar",
            estimator = np.mean,
            x = 'Victim Age', 
            y = 'Victim Race',
            hue = 'Perpetrator Race',
            col = 'Victim Sex',
            palette = 'mako',
            ci = None)

<seaborn.axisgrid.FacetGrid at 0x2694d4f5610>

<Figure size 1440x2160 with 0 Axes>

¿Que?

Los datos que se presentan en esta visualización son la edad promedio de las personas que fueron victima de homicidio entre los años 1980 y 2014 que estan en el eje horizontal o eje X, en el eje Y o eje vertical esta la variable raza de la victima que se divide en 5 categorias y por ultimo a traves de barras de colores esta la raza del perpetrador. Y por ultimo se separa en sexo en 3 diferentes gráficos.

¿Por que?

Identificar relaciones entre las razas de los perpetradores, para identificar si existe algun tipo de relación visual, tambien poder observar si hay alguna distinción de género en los homicidios teniendo en cuenta lo anteiriormente descrito y a la vez que edad es promedio por sexo y raza.

¿Como?

La visualización no requiere de una interacción con los usuarios ya que son datos fijos que cumplen su proposito de expresar y comparar los promedios por sexo y raza.

Marca

La marca implementada en esta visualización es de barras ya que con ellas se expresa la cantidad promedio de las edades a traves de las mismas en cada categoria de la raza de la victima.

Canal

El canal implementado es el de color ya que con este mismo se pueden identificar las razas de los perpetradores en las barras de los promedios, con el fin de separarlos por la misma variable en cada una de sus categorias.

Posibles Mejoras

La posible mejora para esta visualización seria la de colocar etiquetas en cada barra de promedio con el fin de que el usuario puede identificar fácilmente las cantidades del promedio.

Temporal

temp=pd.crosstab(datos2['Month'],datos2['Year']).T
temp=temp.reindex(columns=['January','February','March','April','May','June','July','August','September','October','November','December'])
temp=temp.iloc[25:35,]
temp

Month	January	February	March	April	May	June	July	August	September	October	November	December
Year
2005	143	133	117	120	155	135	128	131	114	104	136	136
2006	141	87	119	154	118	129	168	104	143	158	109	158
2007	145	101	109	151	140	146	134	125	142	108	105	157
2008	99	142	167	128	117	160	103	105	103	156	100	125
2009	112	117	127	144	126	146	165	147	149	108	144	121
2010	150	83	115	132	153	113	119	120	128	102	136	110
2011	145	104	133	141	139	126	130	108	140	118	112	131
2012	133	122	113	163	144	130	186	145	103	114	97	151
2013	112	126	122	129	137	137	152	122	117	137	147	113
2014	124	81	105	106	137	86	123	114	112	117	103	104

from math import pi
meses=list(temp)[0:]
N=len(meses)
maxnum = temp[meses].values.max()
maxnum

186

plt.figure(figsize=[15,25])
angles = [n / float(N) * 2 * pi for n in range(N)]
angles += angles[:1]
ax = plt.subplot(111, polar=True)
ax.set_theta_offset(pi / 2)
ax.set_theta_direction(-1) 
plt.xticks(angles[:-1], meses)
ax.set_rlabel_position(0)
plt.ylim(0,maxnum)
year=temp.index

for i in range(0,10,1):
    values=[]
    values=temp.iloc[i].values.flatten().tolist()
    values += values[:1]
    ax.plot(angles, values, linewidth=2, linestyle='solid', label=str(year[i]))
    
plt.legend(loc='upper right', bbox_to_anchor=(0.1, 0.1))

<matplotlib.legend.Legend at 0x2694e31fc10>

¿Que?

Los datos que el usuario puede encontrar en este gráfico son diferentes lineas que representan la cantidad de casos de homicidios de cada año entre los años 2005 y 2014, esta visualización circular tiene 12 ejes que representan los meses del año y la cuenta de homicidios de cada mes.

¿Por que?

Identificar diferencias en cada uno de los años entre el 2005 y 2014, cada año al ser representado con una linea diferente tiene el objetivo de que a traves de los meses el usuario pueda observar la evolución de la cantidad y comparar asi cada mes de un año con el mismo mes de otro año.

¿Como?

El usuario no requiere interactuar con la visualización debido a que son datos que no son dificiles de identificar a simple vista y que a traves de los diferentes colores que hay ningun año se confunde fácilmente con otro.

Marca

La marca implementada es de lineas ya que con estas podemos ver el avance a traves del tiempo y como crece o decrece la cantidad de homicidios en cada año a traves de los meses.

Canal

El canal que se uso es el de color ya que con los colores implementados para cada año es posible distinguir un año del otro y asi observar su progreso.

Posibles mejoras

La posible mejora podría ser el agregar etiquetas a los picos que alcanza cada linea en los ejes, con el fin de que para el usuario pueda observar las cantidades expresadas en los picos.

Espacial

espacial=datos2[datos2['Year']>2004]

espacial['State'].value_counts()

California              274
Texas                   252
Michigan                200
Louisiana               174
South Carolina          169
North Carolina          160
Ohio                    151
Florida                 147
Georgia                 122
Tennessee               121
Pennsylvania            103
Virginia                 98
Indiana                  94
New York                 92
Maryland                 85
Missouri                 84
Illinois                 74
Washington               69
Arizona                  62
Arkansas                 60
Oklahoma                 46
New Jersey               44
Kentucky                 43
Colorado                 41
Mississippi              40
Wisconsin                38
Nevada                   34
Connecticut              31
New Mexico               30
Minnesota                29
Massachusetts            25
Kansas                   20
West Virginia            15
Nebraska                 15
Oregon                   14
Delaware                 13
Rhodes Island            11
Maine                     9
Utah                      9
District of Columbia      7
Montana                   7
Iowa                      6
Wyoming                   5
Alabama                   5
Idaho                     4
Vermont                   2
North Dakota              2
Name: State, dtype: int64

espacial['Abreviatura']=np.zeros(len(espacial))
for i in range(0,len(espacial),1):
    if espacial['State'].iloc[i]=='Texas':
        espacial['Abreviatura'].iloc[i]='TX'
    if espacial['State'].iloc[i]=='California':
        espacial['Abreviatura'].iloc[i]='CA'
    if espacial['State'].iloc[i]=='Florida':
        espacial['Abreviatura'].iloc[i]='FL'
    if espacial['State'].iloc[i]=='North Carolina':
        espacial['Abreviatura'].iloc[i]='NC'
    if espacial['State'].iloc[i]=='New York':
        espacial['Abreviatura'].iloc[i]='NY'
    if espacial['State'].iloc[i]=='Georgia':
        espacial['Abreviatura'].iloc[i]='GA'
    if espacial['State'].iloc[i]=='Michigan':
        espacial['Abreviatura'].iloc[i]='MI'
    if espacial['State'].iloc[i]=='Missouri':
        espacial['Abreviatura'].iloc[i]='MO'
    if espacial['State'].iloc[i]=='Pennsylvania':
        espacial['Abreviatura'].iloc[i]='PA'
    if espacial['State'].iloc[i]=='Ohio':
        espacial['Abreviatura'].iloc[i]='OH'
    if espacial['State'].iloc[i]=='South Carolina':
        espacial['Abreviatura'].iloc[i]='SC'
    if espacial['State'].iloc[i]=='Virginia':
        espacial['Abreviatura'].iloc[i]='VA'
    if espacial['State'].iloc[i]=='Louisiana':
        espacial['Abreviatura'].iloc[i]='LA'
    if espacial['State'].iloc[i]=='Tennessee':
        espacial['Abreviatura'].iloc[i]='TN'
    if espacial['State'].iloc[i]=='Indiana':
        espacial['Abreviatura'].iloc[i]='IN'
    if espacial['State'].iloc[i]=='Arkansas':
        espacial['Abreviatura'].iloc[i]='AR'
    if espacial['State'].iloc[i]=='Colorado':
        espacial['Abreviatura'].iloc[i]='CO'
    if espacial['State'].iloc[i]=='Washington':
        espacial['Abreviatura'].iloc[i]='WA'
    if espacial['State'].iloc[i]=='Oklahoma':
        espacial['Abreviatura'].iloc[i]='OK'
    if espacial['State'].iloc[i]=='Illinois':
        espacial['Abreviatura'].iloc[i]='IL'
    if espacial['State'].iloc[i]=='Utah':
        espacial['Abreviatura'].iloc[i]='UT'
    if espacial['State'].iloc[i]=='Maryland':
        espacial['Abreviatura'].iloc[i]='MD'
    if espacial['State'].iloc[i]=='New Jersey':
        espacial['Abreviatura'].iloc[i]='NJ'
    if espacial['State'].iloc[i]=='Arizona':
        espacial['Abreviatura'].iloc[i]='AZ'
    if espacial['State'].iloc[i]=='Wisconsin':
        espacial['Abreviatura'].iloc[i]='WI'
    if espacial['State'].iloc[i]=='Mississippi':
        espacial['Abreviatura'].iloc[i]='MS'
    if espacial['State'].iloc[i]=='West Virginia':
        espacial['Abreviatura'].iloc[i]='WV'
    if espacial['State'].iloc[i]=='New Mexico':
        espacial['Abreviatura'].iloc[i]='NM'
    if espacial['State'].iloc[i]=='District of Columbia':
        espacial['Abreviatura'].iloc[i]='DC'
    if espacial['State'].iloc[i]=='Nevada':
        espacial['Abreviatura'].iloc[i]='NV'
    if espacial['State'].iloc[i]=='Maine':
        espacial['Abreviatura'].iloc[i]='ME'
    if espacial['State'].iloc[i]=='Iowa':
        espacial['Abreviatura'].iloc[i]='IA'
    if espacial['State'].iloc[i]=='Idaho':
        espacial['Abreviatura'].iloc[i]='ID'
    if espacial['State'].iloc[i]=='Montana':
        espacial['Abreviatura'].iloc[i]='MT'
    if espacial['State'].iloc[i]=='Kansas':
        espacial['Abreviatura'].iloc[i]='KS'
    if espacial['State'].iloc[i]=='Alaska':
        espacial['Abreviatura'].iloc[i]='AK'
    if espacial['State'].iloc[i]=='Kentucky':
        espacial['Abreviatura'].iloc[i]='KY'
    if espacial['State'].iloc[i]=='Massachusetts':
        espacial['Abreviatura'].iloc[i]='MA'
    if espacial['State'].iloc[i]=='Minnesota':
        espacial['Abreviatura'].iloc[i]='MN'
    if espacial['State'].iloc[i]=='Vermont':
        espacial['Abreviatura'].iloc[i]='VT'
    if espacial['State'].iloc[i]=='South Dakota':
        espacial['Abreviatura'].iloc[i]='SD'
    if espacial['State'].iloc[i]=='Oregon':
        espacial['Abreviatura'].iloc[i]='OR'
    if espacial['State'].iloc[i]=='Delaware':
        espacial['Abreviatura'].iloc[i]='DE'
    if espacial['State'].iloc[i]=='New Hampshire':
        espacial['Abreviatura'].iloc[i]='NH'
    if espacial['State'].iloc[i]=='Nebraska':
        espacial['Abreviatura'].iloc[i]='NE'
    if espacial['State'].iloc[i]=='Hawaii':
        espacial['Abreviatura'].iloc[i]='HI'
    if espacial['State'].iloc[i]=='Alabama':
        espacial['Abreviatura'].iloc[i]='AL'
    if espacial['State'].iloc[i]=='Connecticut':
        espacial['Abreviatura'].iloc[i]='CT'
    if espacial['State'].iloc[i]=='Connecticut':
        espacial['Abreviatura'].iloc[i]='CT'
    if espacial['State'].iloc[i]=='North Dakota':
        espacial['Abreviatura'].iloc[i]='ND'
    if espacial['State'].iloc[i]=='Rhodes Island':
        espacial['Abreviatura'].iloc[i]='RI'
    if espacial['State'].iloc[i]=='Rhodes Island':
        espacial['Abreviatura'].iloc[i]='RI'
    if espacial['State'].iloc[i]=='Wyoming':
        espacial['Abreviatura'].iloc[i]='WY'
        

l=espacial['Abreviatura'].value_counts()
m=espacial['State'].value_counts()
fig = go.Figure(data=go.Choropleth(
    locations=l.index,
    z=l.values.astype(float),
    locationmode='USA-states',
    colorscale='YlGnBu',
    autocolorscale=False,
    marker_line_color='white', 
    colorbar_title="Cantidad de casos",
    hovertext=m.index
))

fig.update_layout(
    title_text='Número de casos de homicidios entre los años 2005 a 2014',
    geo = dict(
        scope='usa',
        projection=go.layout.geo.Projection(type = 'albers usa'),
        showlakes=True, # lakes
        lakecolor='rgb(255, 255, 255)'),
)

fig.show()

from IPython.display import Image
Image("C:/Users/David Benavides/Documents/Visualización de datos/Vis Espacial David.png")

¿Que?

Los datos que se pueden observar en esta visualización es la cantidad de homicidios reportados entre los años 2005 y 2014, separado por estado y se usan los colores para poder identificar en que estados hubo más casos de homicidios.

¿Por que?

Reconocer gráficamente en que estados hubo más homicidios entre los años 2005 a 2014 y usando la degradación de color poder identificar en que estados la cantidad de homicidios es mayor

¿Como?

La interacción que tiene el usuario con esta visualización es que al usar cursor para seleccionar algun estado que se quiera saber la cantidad de homicidios entonces aparecera una etiqueta con la cantidad de homicidios entre los años 2005 a 2014.

Marca

La marca de este canal es de posición ya que con ella podemos identificar los estados en el pais de Estados Unidos utilizando un mapa.

Canal

El canal implementado es el de color ya que con este el usuario identifica en que estado hubo más homicidios y en cuales no, usando la degradación del color.

Posibles mejoras

La posible mejora para esta visualización es que de tener coordenadas más exactas para cada ciudad en la que se reporto el homicidio se podria hacer con circulos identificando en que partes más especificas del pais pasaron.

Visualizciones Luz Adriana Rodriguez Padilla

Multivariado

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib as plt
import matplotlib.pyplot as plt
import altair as alt
from vega_datasets import data
pd.set_option('display.max_columns', None) #Mostrar todas las columnas
sns.set(rc={'figure.figsize':(12.7,8.6)})

datos2.columns

Index(['Agency Code', 'Agency Name', 'Agency Type', 'City', 'State', 'Year',
       'Month', 'Incident', 'Crime Type', 'Crime Solved', 'Victim Sex',
       'Victim Age', 'Victim Race', 'Victim Ethnicity', 'Perpetrator Sex',
       'Perpetrator Age', 'Perpetrator Race', 'Perpetrator Ethnicity',
       'Relationship', 'Weapon', 'Victim Count', 'Perpetrator Count',
       'Record Source'],
      dtype='object')

datos2.head()

	Agency Code	Agency Name	Agency Type	City	State	Year	Month	Incident	Crime Type	Crime Solved	Victim Sex	Victim Age	Victim Race	Victim Ethnicity	Perpetrator Sex	Perpetrator Age	Perpetrator Race	Perpetrator Ethnicity	Relationship	Weapon	Victim Count	Perpetrator Count	Record Source
Record ID
174	AL00118	Brighton	Municipal Police	Jefferson	Alabama	1980	December	1	Murder or Manslaughter	Yes	Male	24	Black	Unknown	Male	22	Black	Unknown	Acquaintance	Shotgun	1	1	FBI
175	AL00118	Brighton	Municipal Police	Jefferson	Alabama	1980	December	1	Murder or Manslaughter	Yes	Male	18	Black	Unknown	Male	22	Black	Unknown	Acquaintance	Shotgun	1	1	FBI
191	AL00201	Mobile	Municipal Police	Mobile	Alabama	1980	July	3	Murder or Manslaughter	Yes	Male	50	White	Not Hispanic	Male	24	White	Not Hispanic	Stranger	Knife	1	1	FBI
224	AL00201	Mobile	Municipal Police	Mobile	Alabama	1980	July	3	Murder or Manslaughter	Yes	Male	38	White	Not Hispanic	Male	24	White	Not Hispanic	Stranger	Knife	1	1	FBI
346	AL01800	Cleburne	Sheriff	Cleburne	Alabama	1980	January	1	Murder or Manslaughter	No	Male	79	White	Unknown	Unknown	0	Unknown	Unknown	Unknown	Handgun	3	1	FBI

datos2.iloc[:,19].replace({"Neighbor":"Acquaintance","Common-Law Wife":"Wife","Stepmother":"Mother","Stepfather":"Father","Boyfriend":"Boyfriend/Girlfriend","Girlfriend":"Boyfriend/Girlfriend","Sister":"Sister/Brother", "Brother":"Sister/Brother","Son":"Son/Daughter", "Daughter":"Son/Daughter","Stepson":"Son/Daughter"},inplace=True)

#datos2.iloc[:,20].replace({"Gun":"Firearm","Handgun":"Firearm","Rifle":"Firearm","Shotgun":"Firearm"},inplace=True)

tabla = pd.crosstab(datos2["Weapon"],datos2["Perpetrator Sex"])
tabla

Perpetrator Sex	Female	Male	Unknown
Weapon
Blunt Object	24	244	78
Drowning	0	4	4
Drugs	0	5	0
Explosives	3	179	4
Fall	0	2	0
Fire	63	234	140
Firearm	42	810	359
Gun	0	88	14
Handgun	194	4804	1530
Knife	58	594	203
Poison	2	4	0
Rifle	26	596	71
Shotgun	16	448	71
Strangulation	6	56	39
Suffocation	9	42	18
Unknown	21	235	120

ax = sns.heatmap(tabla,
                 annot=True, 
                 fmt="d",
                 linewidths=0.10,
                 cmap="YlGnBu")

Framework de visualización

¿Que?

El gráfico de mapa de calor muestra el número de homicidas clasificado por la variable Sexo del perpetrador que tiene como categorias masculino, femenino y desconocido, la variable Arma que nos indica el arma con la que se cometio el homicidio y tiene como categorias: objeto son filo, asfixia, drogas, rifle, explosivos, caida, fuego, arma de fuego, cuchillo, veneno, estrangulación, ahogo, desconocido. El dataset es de tipo tabla con datos estaticos, ya que cuenta con atributos las cuales son variables categoricas e items que representan los registros por cada caso de homicidio.

• Tipo de Dataset: Tabla

• Tipos de datos:

  • items

  • Atributos cualitativos

¿Por que?

La gráfica analiza y presenta, ya que el proposito de la gráfica es identificar que armas han sido las más utilizadas por los homicidas y a que genero pertenecen estos, pudiendose observar que las armas de fuego son las mas frecuentes tanto en hombres como en mujeres, seguido de cuchillos y fuego. Por otro lado tambien es fácil reconocer que la mayor cantidad de homicidas suelen ser hombres, aunque cabe aclarar que el género desconcido es bantante cuantiosa y podria albergar cierta cantidad de homicidas femeninas.

Por otro lado el gráfico además de identificar tambien compara pues al ser una tabla de conteos es facil hacer comparaciones entre las categorias que como ya se dijo anteriormente para este caso es el genero del homicida y el tipo de arma utilizada en el suceso. En los objetivos de la grafica podemos observar como atributo la correlación ya que la gráfica nos permite observar que caracterias se suelen presentar más junto con otras.

1. Actions

• Analizar:

  • Consumir: presenta

• Especificas:

  • Buscar: lookup
  • Consulta: Identificar y comparar

2. Objetivos

• Atributos: correlación

¿Como?

Se evidencia en la visualización que la información se codifica de forma alineada ya que es tipo tabla y la información esta presentada en el eje y y x de forma alineada y ordenada con respecto al sexo del perpetrador y el arma utilizada, de esta forma se tendrá mejores comparaciones visualmente.

1. Codificar

   • Organización: Alineada

   • Map: Color (saturación)

Marca

La marca implementada en esta gráfica son la lineas estas se observan como las divisiones de las categorias de las variables, además se tiene una linea vertical que nos inidica el grado de concentración de las variables.

Canal

El canal implementado es el de posición, color y tamaño ya que las lineas que separan los valores pertenecientes al cruce de las variables categoricas se presentan tanto vertical como horizontal, formando cuadros, mismos que mediante el canal de color nos dan a conocer el grado de concentración y para esto nos apoyamos en la barra vertical que nos indica que saturación de color representa mas o menos concentración o frecuencia.

Posibles Mejoras

La posible mejora para esta visualización seria la, mejorar la saturación del color, de forma que sea más fácil notar aquellos colores que son mas claros.

Temporal

datos2.head()

	Agency Code	Agency Name	Agency Type	City	State	Year	Month	Incident	Crime Type	Crime Solved	Victim Sex	Victim Age	Victim Race	Victim Ethnicity	Perpetrator Sex	Perpetrator Age	Perpetrator Race	Perpetrator Ethnicity	Relationship	Weapon	Victim Count	Perpetrator Count	Record Source
Record ID
174	AL00118	Brighton	Municipal Police	Jefferson	Alabama	1980	December	1	Murder or Manslaughter	Yes	Male	24	Black	Unknown	Male	22	Black	Unknown	Acquaintance	Shotgun	1	1	FBI
175	AL00118	Brighton	Municipal Police	Jefferson	Alabama	1980	December	1	Murder or Manslaughter	Yes	Male	18	Black	Unknown	Male	22	Black	Unknown	Acquaintance	Shotgun	1	1	FBI
191	AL00201	Mobile	Municipal Police	Mobile	Alabama	1980	July	3	Murder or Manslaughter	Yes	Male	50	White	Not Hispanic	Male	24	White	Not Hispanic	Stranger	Knife	1	1	FBI
224	AL00201	Mobile	Municipal Police	Mobile	Alabama	1980	July	3	Murder or Manslaughter	Yes	Male	38	White	Not Hispanic	Male	24	White	Not Hispanic	Stranger	Knife	1	1	FBI
346	AL01800	Cleburne	Sheriff	Cleburne	Alabama	1980	January	1	Murder or Manslaughter	No	Male	79	White	Unknown	Unknown	0	Unknown	Unknown	Unknown	Handgun	3	1	FBI

anios = ["2010","2011","2012"]
temporal2 = datos2[ (datos2['Year'].isin(anios)) & (datos2['Crime Solved'] == "Yes")]
temporal2.head()

	Agency Code	Agency Name	Agency Type	City	State	Year	Month	Incident	Crime Type	Crime Solved	Victim Sex	Victim Age	Victim Race	Victim Ethnicity	Perpetrator Sex	Perpetrator Age	Perpetrator Race	Perpetrator Ethnicity	Relationship	Weapon	Victim Count	Perpetrator Count	Record Source
Record ID
565031	AR01801	West Memphis	Municipal Police	Crittenden	Arkansas	2010	May	2	Murder or Manslaughter	Yes	Male	38	White	Unknown	Male	45	White	Unknown	Unknown	Rifle	1	1	FBI
565033	AR01801	West Memphis	Municipal Police	Crittenden	Arkansas	2010	May	2	Murder or Manslaughter	Yes	Male	39	White	Unknown	Male	45	White	Unknown	Unknown	Rifle	1	1	FBI
565061	AR03500	Jefferson	Sheriff	Jefferson	Arkansas	2010	January	1	Murder or Manslaughter	Yes	Female	99	Black	Unknown	Male	18	White	Unknown	Unknown	Blunt Object	1	2	FBI
565062	AR03500	Jefferson	Sheriff	Jefferson	Arkansas	2010	January	1	Murder or Manslaughter	Yes	Male	59	White	Unknown	Male	18	White	Unknown	Unknown	Blunt Object	1	2	FBI
565115	AR06003	North Little Rock	Municipal Police	Pulaski	Arkansas	2010	July	1	Murder or Manslaughter	Yes	Male	29	White	Unknown	Male	16	Black	Unknown	Unknown	Handgun	1	2	FBI

Conteo_años_2 = pd.pivot_table(temporal2, 
                                values='Victim Count', 
                                index=['Year','Month'], 
                                aggfunc=np.sum)

Conteo_años_2 = pd.DataFrame(Conteo_años_2)
Conteo_años_2.reset_index(inplace=True)
Conteo_años_2 = Conteo_años_2.rename(columns = {'index':'Year','Victim Count':'Valor'})

plt.rcParams['figure.figsize']=15,10
sns.lineplot(data=Conteo_años_2, x="Year", y="Valor", hue="Month", 
            hue_order = ['January','February','March','April','May',
                        'June','July','August','September','October','November','December'])
plt.ticklabel_format(style='plain', axis='y')
plt.legend(loc='upper left')
ax = plt.gca()
ax.yaxis.set_major_formatter('{x:1.0f}')
ax.xaxis.set_major_formatter('{x:1.0f}')
plt.show()

Framework de visualización

¿Que?

El gráfico de línea nos da a conocer mes a mes la variación del número de víctimas por asesinato de los años 2010, 2011 y 2012, para esto se utilizó la variable temporal año y mes, que indica la fecha del homicidio, y la variable número de víctimas, que nos indica el número de víctimas en el homicidio para el año y mes correspondiente. El datase es de tipo tabla con datos estáticos, ya que cuenta con atributos de las cuales 2 son variables temporales y 1 es variable cuantitativa, y cuenta con ítems que representan los registros por cada caso de homicidio.

• Tipo de Dataset: Tabla

• Tipos de datos:

  • items

  • Atributos:

    • tiempo : Atributo ordenado ordinal y ciclico
    • cuantitativo

¿Por que?

La gráfica Descubre y presenta, ya que el propósito de la gráfica es mostrar y comparar como aumento o disminuyó el número de víctimas de homicidios mensualmente para los años 2010, 2011 y 2012, que como se observa el número de víctimas para junio estuvo aumentando para cada año y para 2011 y 2012 este mes fue el que más número víctimas de homicidio presento, por otro lado también se observa que los meses de marzo y abril para el año 2010 tienen mayor número de víctimas por homicidio y para el año siguiente (2011) este número disminuye considerablemente, sin embargo estos vuelven a subir para el año 2012 donde se catalogan en los meses con mayor cantidad de víctimas. estuvo entre 50 y 60 es uno de los meses.

En los objetivos del gráfico además de comparar también identifica y localiza pues las líneas de tiempo al interceptar la línea de años logra facilitar la identificación de datos atipicos, además el objetivo en los atributos es la similaridad o comparación de las tendencias de la variable número de víctimas a través del tiempo.

1. Actions

• Analizar:

  • Consumir: Descubrir y presentar

• Especificas:

  • Buscar: localizar
  • Consulta: Identificar y comparar

2. Objetivos

• Atributos: similaridad

¿Como?

Se evidencia en la visualización que la información se codifica de forma ordenada ya que es tipo tabla y los atributos son temporales, la información esta presentada en el eje y y x de forma separada y ordenada con respecto al mes y al año respectivamente en cual se presentó el suceso, también se tiene que la faceta del gráfico es sobreponer, pues vemos que son varia líneas de tiempo que se sobreponen unas a otras en diferentes puntos.

1. Codificar

   • Organización: ordenada

   • Map: Color (Hue)

2. Facet

   • Sobreponer

Marca

La marca implementada en esta gráfica son la líneas estas se observan como la líneas de tiempo cada una perteneciente a un mes de año, las cuales nos indican la variación del número de víctimas por homicidio a través del tiempo, también las vemos en la etiqueta como guía para encontrar el mes que le corresponde a cada línea de tiempo.

Canal

El canal implementado es el de posición, color y tamaño ya que las líneas de tiempo se presentan de forma horizontal y con un color diferente para cada una, al igual que la de las etiquetas que nos indican que color representa cada mes. Por otro lado, también tenemos el canal de posición vertical para la cantidad de víctimas y horizontal para la variable de tiempo año.

Posibles Mejoras

La posible mejora para esta visualización seria la cambiar el color de las marcas de las líneas, ya que no es tan fácil identificar el color para cada mes, debido a que los colores suelen ser muy parecidos, también dejar una única línea vertical para el año en cuestión.

Espacial

El proceso se hizo en Colaboratory , pero se trae aqui en codigo para revisión, adjunto link de codigo. https://colab.research.google.com/drive/1Ri3_MRcQfxdRmmCaJ3bByxuCL7QvyUzC#scrollTo=OsV8bjmSbG8i

%matplotlib inline
import pandas as pd
#import geopandas as gpd
import matplotlib.pyplot as plt
import plotly.express as px
#from geopy.geocoders import Nominatim
import time
import math

## Crear un objeto nominatin
geo = Nominatim(user_agent="Homicidio")

## Valores unicos de los estados
Estados = pd.unique(crimenes['State'])
Estados

## Se saca la latitud y longitud de cada estado y se crea un dataframe con esto vectores
Longitud = []
Nombre_estados= []
Pais= []
for i in Estados:
  loc = geo.geocode(i + ', United States')
  Latitud.append(loc.latitude)
  Longitud.append(loc.longitude)
  Nombre_estados.append(i)
  Pais.append(loc)

## Data frame
auxiliar= pd.DataFrame()
#"Nombre_estados","Pais","Latitud","Longitud"
auxiliar["State"]= Nombre_estados
auxiliar["Nombres_pais"]= Pais
auxiliar["latitud"]= Latitud
auxiliar["longitud"]= Longitud

#Se unen los dos dataframe por la columna "State"
crimenes=crimenes.merge (auxiliar, on = 'State', how = 'left')
crimenes.head()

# Se divide la base esocgiendo aquellos registros que pertenzecan a los años del 2010 al 2014 y 
#que tengan los criemnes resueltos

anios = ["2010","2011","2012","2013","2014"]
crimenes2 = crimenes[ (crimenes['Year'].isin(anios)) & (crimenes['Crime Solved'] == "Yes")]
crimenes2.head()

## Se realiza el gráfico de mapa de burbujas
import plotly.graph_objects as go
px.set_mapbox_access_token("pk.eyJ1IjoibHV6cm9kcmlndWV6IiwiYSI6ImNrbm0yOXByazBteTkydnB1M2dtMnM2aXEifQ.5FGWOHOga_tW8dQGcFjDEw")


fig = px.scatter_mapbox(crimenes2,
                        lat='latitud',
                        lon='longitud',
                        hover_name='State',
                        zoom=4,
                        color="State",
                        size="Incident",
                        animation_frame="Year", 
                        center = {"lat": 35.204888, "lon": -92.447911})
fig.update_layout(
        title_text = 'Numero de incidentes de homicidio desde 2010 al 2014 en Estados Unidos',
        showlegend = True,
        geo = dict(
            scope = 'north america',
            landcolor = 'rgb(217, 217, 217)',
        )
    )
fig.show()

Framework de visualización

¿Que?

El gráfico mapa de burbujas nos da a conocer el número de incidentes de asesinato en los años del 2010 al 2014, para esto se utilizó la variable temporal año, que indica la fecha del homicidio, la variable numérica Incidentes, que nos indica el número de casos de homicidio que para los años ya mencionados, y finalmente la variable categórica Estado que nos da el nombre de cada estados donde se presentó el homicidio. El datase es de tipo geometría con datos estáticos, ya que cuenta con ítems que son todos los reportes de asesinatos y los datos de posición que los encontramos en la variable Estado.

• Tipo de Dataset: Geometria

• Tipos de datos:

  • Items
  • Posición

¿Por que?

Para este gráfico si se requiere transformación de los datos, ya que, para ubicar en el mapa, los estados en los que se cometen crímenes de asesinato, fue necesario incluir dos variables (Latitud y Longitud) las cuales derivaron de la variable State

Por otro lado, el gráfico de Descubre y presenta, ya que el propósito de la gráfica es mostrar en que estados hubo incidentes de homicidios y con que frecuencia, además nos muestra la variación de este desde el año 2010 al 2014, por lo tanto, se observa que para el 2011 el estado de florida y Nueva York son los que más presentan incidentes de homicidios, sin embargo, se ven casos en Texas, California, Michigan, entre otros. Así mismo para los 2011 y 2012 se tiene que Florida sigue siendo el estado con más homicidios, para el 2013 se observa un incremento de casos en el estado de Texas, pero no superando a florida, finalmente en el 2014 se tiene a florida como el que más homicidios reporta, seguido Texas, Oklahoma y de Louisiana.

Los objetivos del gráfico son identificar y localizar ya que el gráfico contiene burbujas que dan a conocer la ubicación es decir el estado, junto con el número de incidentes de homicidio, también podemos decir que otro objetivo es comparar pues se puede ver lo anterior para cada año (2010-2014).

1. Actions

• Analizar:

  • Consumir: Descubrir y presentar

• Especificas:

  • Buscar: localizar
  • Consulta: Identificar y comparar

2. Objetivos

• Datos espaciales: Forma

¿Como?

Se evidencia en la visualización que la información codifica Uso ya que es de tipo geometria y tenemos posiciones, , también se tiene que codifica en mapa y que presenta color como matiz, tamaño y forma para las burbujas que identifican de los estados y la frecuencia de numero de homicidios.

1. Codificar

   • Organización: uso

   • Map:

     • Color (Matiz)
     • Tamaño
     • Forma

2. Manipular

   • Seleccionar
   • Navegar

Marca

La marca implementada en esta visualización es de puntos ya que con estos se expresa la cantidad de homicidios y el estado en que ocurrio.

Canal

El canal implementado es el de color y tamaño ya que con estos se pueden identificar los Estados y la frecuencia de incidentes, esto con el fin de diferenciarlos en el mapa.

Posibles Mejoras

La posible mejora para esta visualización seria que los estados en el mapa tuvieran su propio color y mas bien utilizar las etiquetas para clasificar por raza o etnia del perpetrador.

Visualizaciones Freddy Andres Martinez

Multivariado

datos2.Relationship.replace({"Stepson":"Stepdaughter","Unknown":"Stranger","Ex-Husband":"Ex-Wife","Stepfather":"Stepmother","Common-Law Husband":"Common-Law Wife",
                            "Son":"Daughter","Husband":"Wife","Friend":"Acquaintance","Boyfriend/Girlfriend":"Wife","Common-Law Wife":"Wife", "Brother":"Sister",
                             "Mother":"Father"},inplace=True)
datos2.Relationship.replace({"Stranger":"Desconocido/a","Acquaintance":"Conocido/a","Daughter":"Hijo/a","Wife":"Pareja","Father":"Mamá/Papá","Family":"Familia",
                             "Neighbor":"Vecino/a","Sister":"Hermano/a","In-Law":"Suegro/a","Stepdaughter":"Hijastro/a","Ex-Wife":"Ex-Pareja",
                             "Stepmother":"Padrastro/Madrastra","Employer":"Empleador","Employee":"Empleado","Common-Law Wife":"Pareja"},inplace=True)

sns.catplot(data = datos2,
            kind = "bar",
            estimator = np.mean,
            x = "Victim Age", 
            y = "Relationship",
            hue = "Victim Sex",
            col = "Crime Solved",
            palette = 'magma',
            ci = None)

<seaborn.axisgrid.FacetGrid at 0x1697d752370>

¿Qué?

• Como ya fue mencionado dentro de la descripción, la VIS tiene como objetivo el análisis de cuatro variables donde en este caso se compara la relación que tiene la victima con el victimario, el promedio de edad de la victima, sexo de la victima y estado del crimen (solucionado o no solucionado), este tipo de dataset es de barras donde se relacionan sus ítems en cuanto a sus atributos donde el conjunto de datos es estático y nos dice a través de esa unión de características los niveles cuantitativos y también mediante la ayuda visual y diferencia de colo nos hace interpretar y revelar claramente las situaciones expuestas dentro del contexto.

¿Por qué?

• Como bien se dijo en la descripción el usuario requiere ver el tipo de acción que tienen las autoridades contra la violencia es por eso que se enfoca esta visualización al tipo de presentacióndonde nos describe como derivan la correlación o para ser más preciso el tipo de dependencia de estas cuatro variables es por eso que el tipo de consulta resulta siendo una especie de resumen.

¿Cómo?

• La codificación visual que utiliza esta pieza es un arreglo express donde muestra datos con el fin de descubrir la ditribucion de cada concepto numéricos puntuales donde también utiliza diferentes subcaracteristicas y a través del cambio de color nos muestran la frecuencia según las características contrarrestadas.

Marca:

• El tipo de marca que tiene esta visualización es de linea donde nos muestra según la posicion el nivel de frecuencia que hay.

Canal :

• En cuanto a este ítem la pieza proporciona tres tipos de colores de saturación claros donde nos muestra el sexo de la victima, y se encuentran dos ejes o dos canales de posicion espacial tanto vertical como horizontal donde en una nos muestra la relacion que tiene el victimario con la victima y en otro el promedio en años de la victima.

Mejoras Posibles:

• La pieza deberia mejorar el concepto en nivel de ejes pues en el eje x deberia poner en ves de promedio de edad el promedio de casos hechos por el victimario cualquiera que sea, solo que la base no tenia esos terminos cuantitativos y era un poco tedioso para sacar por eso falla en su efectividad que es lo mas importante en cuanto a las visualizaciones.

Temporal

import joypy
from matplotlib import pyplot as plt
from matplotlib import cm
datos2.Month.replace({"January":1,"February":2,"March":3,"April":4,"May":5,"June":6,
                      "July":7,"August":8,"September":9,"October":10,"November":11,"December":12},inplace=True)
datos2.Month.value_counts()

4     1113
1     1081
7     1058
6      938
8      930
9      929
12     919
10     919
5      914
3      904
11     878
2      877
Name: Month, dtype: int64

%matplotlib inline

labels=[y if y%10==0 else None for y in list(datos2.Year.unique())]
fig, axes = joypy.joyplot(datos2, by="Year", column="Victim Count", labels=labels, range_style='own', 
                          grid="y", linewidth=1, legend=False, fade=True, figsize=(6,5),
                          title="Número de victimas y su crecimiento por años",
                          kind="counts", bins=30)

¿Qué?

• Para la realización del gráfico se hace uso de un grafico temporal con atributos de diferentes tipos: Año que es la principal y por otro lado se encuentra conteo de victimas en caso del JOYPLOT, en cambio en el otro se evidencia el tipo de crimen junto a la edad de la victima.

¿Por qué?

• Con esto lo que se quiere implementar es la busqueda la comparación e identificación a partir de las tendencias cuales años fueron los mas duros a nivel de criminalidad y violencia.

¿Cómo?

• La codificación visual que utiliza esta pieza es un arreglo express donde muestra datos numéricos puntuales donde también utiliza diferentes subcaracteristicas y a través de la saturación nos muestran y delimitan la frecuencia según las características contrarrestadas.

Marca:

• El tipo de marca que tiene esta visualización es de área y lineas donde nos muestra a nivel numérico y de color el nivel volumen o crecimiento o delimitación de tendencia que tiene dicha variable durante el espacio de tiempo.

Canal :

• Canales de Posición Vertical dado por la CANTIDA DE VICTIMAS y la Posición Horizontal dado la AÑO.

Reglas Generales y Mejoras

• La pieza tiene una justificación adecuada donde representa de forma sobresaliente los datos, de forma cognitiva y de percepción tiene una armonía adecuada pero es importante adaptar mejor los datos para que compla el concepto de forma que es el mas importante en la vis.

Espacial

datos2["lat"] = datos2["State"]
datos2["lon"] = datos2["State"]
datos2.head()

	Agency Code	Agency Name	Agency Type	City	State	Year	Month	Incident	Crime Type	Crime Solved	Victim Sex	Victim Age	Victim Race	Victim Ethnicity	Perpetrator Sex	Perpetrator Age	Perpetrator Race	Perpetrator Ethnicity	Relationship	Weapon	Victim Count	Perpetrator Count	Record Source	lat	lon
Record ID
174	AL00118	Brighton	Municipal Police	Jefferson	Alabama	1980	December	1	Murder or Manslaughter	Yes	Male	24	Black	Unknown	Male	22	Black	Unknown	Acquaintance	Shotgun	1	1	FBI	Alabama	Alabama
175	AL00118	Brighton	Municipal Police	Jefferson	Alabama	1980	December	1	Murder or Manslaughter	Yes	Male	18	Black	Unknown	Male	22	Black	Unknown	Acquaintance	Shotgun	1	1	FBI	Alabama	Alabama
191	AL00201	Mobile	Municipal Police	Mobile	Alabama	1980	July	3	Murder or Manslaughter	Yes	Male	50	White	Not Hispanic	Male	24	White	Not Hispanic	Stranger	Knife	1	1	FBI	Alabama	Alabama
224	AL00201	Mobile	Municipal Police	Mobile	Alabama	1980	July	3	Murder or Manslaughter	Yes	Male	38	White	Not Hispanic	Male	24	White	Not Hispanic	Stranger	Knife	1	1	FBI	Alabama	Alabama
346	AL01800	Cleburne	Sheriff	Cleburne	Alabama	1980	January	1	Murder or Manslaughter	No	Male	79	White	Unknown	Unknown	0	Unknown	Unknown	Unknown	Handgun	3	1	FBI	Alabama	Alabama

datos2.lon.replace({"California"        :      -119.7512600,
"Texas"              :     -92.2890400,
"Florida"            :     -74.3568200,
"Michigan"           :     -98.1170500,
"North Carolina"     :     -80.84313,
"Pennsylvania"       :     -75.1637900,
"Ohio"               :     -83.0187900,
"Louisiana"          :     -91.0515300,
"Virginia"           :     -75.97799,
"New York"           :     -74.00597,
"Georgia"            :     -83.5001800,
"Arizona"            :     -112.07404,
"Missouri"           :     -90.19789,
"Tennessee"          :     -86.78444,
"Indiana"            :     -86.15804,
"South Carolina"     :     -79.9309200,
"Maryland"           :     -76.61219,
"Illinois"           :     -87.65005,
"New Jersey"         :     -74.07764,
"Washington"         :     -77.03637,
"Oklahoma"           :     -97.51643,
"Colorado"           :     -104.9847,
"Arkansas"           :     -92.28959,
"Kentucky"           :     -84.47772,
"Nevada"             :     -116.7511900,
"Wisconsin"          :     -89.40123,
"Massachusetts"      :     -71.05977,
"New Mexico"         :     -106.65114,
"Mississippi"        :     -89.52229,
"Connecticut"        :     -72.6850900,
"West Virginia"      :     -106.4823200,
"Kansas"             :     -94.57857,
"Minnesota"          :     -93.26384,
"Utah"               :     -111.89105,
"Oregon"             :     -122.67621,
"Iowa"               :     -91.53017,
"District of Columbia" :   -77.03637,
"Alabama"            :     -95.712891,
"Idaho"              :     -112.03414,
"Montana"            :     -109.7510200,
"Alaska"             :     -107.7494800,
"Maine"              :     -95.712891,
"Delaware"           :     -75.4999200,
"Nebraska"           :     -95.8525000,
"Rhodes Island"      :     -71.4128300,
"Vermont"            :     -90.4279000,
"New Hampshire"      :     -71.4675700,
"South Dakota"       :     -96.7003300,
"North Dakota"       :     -96.7898000,
"Hawaii"             :     -157.8583300,
"Wyoming"            :     -107.5009000},inplace = True)

datos2.lat.replace({"California"        :      37.2502200,
"Texas"              :     35.3236900,
"Florida"            :     41.3317600,
"Michigan"           :     48.0250000,
"North Carolina"     :     35.22709,
"Pennsylvania"       :     39.9523300,
"Ohio"               :     39.9961800,
"Louisiana"          :     39.4489400,
"Virginia"           :     36.85293,
"New York"           :     40.71427,
"Georgia"            :     32.7504200,
"Arizona"            :     33.44838 ,
"Missouri"           :     38.62727,
"Tennessee"          :     36.16589,
"Indiana"            :     39.76838,
"South Carolina"     :     32.7765700,
"Maryland"           :     37.09024,
"Illinois"           :     41.85003 ,
"New Jersey"         :     40.72816,
"Washington"         :     38.89511 ,
"Oklahoma"           :     35.46756,
"Colorado"           :     39.73915 ,
"Arkansas"           :     34.74648,
"Kentucky"           :     37.98869,
"Nevada"             :     39.2502100,
"Wisconsin"          :     43.07305,
"Massachusetts"      :     42.35843,
"New Mexico"         :     35.08449,
"Mississippi"        :     32.03349,
"Connecticut"        :     41.7637100,
"West Virginia"      :     31.7685700,
"Kansas"             :     39.09973,
"Minnesota"          :     44.97997,
"Utah"               :     40.76078,
"Oregon"             :     45.52345,
"Iowa"               :     41.66113,
"District of Columbia" :   38.89511,
"Alabama"            :     37.09024,
"Idaho"              :     43.46658,
"Montana"            :     47.0002500,
"Alaska"             :     33.4320100,
"Maine"              :     37.09024,
"Delaware"           :     39.0003900,
"Nebraska"           :     40.6702800,
"Rhodes Island"      :     41.8239900,
"Vermont"            :     40.2942100,
"New Hampshire"      :     42.7653700,
"South Dakota"       :     43.5499700,
"North Dakota"       :     46.8771900,
"Hawaii"             :     21.3069400,
"Wyoming"            :     43.0002400},inplace=True)

px.set_mapbox_access_token("pk.eyJ1Ijoia2FyZW5yb2phcyIsImEiOiJja25tMmw3OWQwbXl6MnBvNTdjam5xdW9jIn0.GkuAPjGFBNUEvZcZ8_-uTw")

fig = px.scatter_mapbox(datos2, 
                        lat="lat", 
                        lon="lon",
                        hover_name="City",     
                        color="Victim Count", 
                        size="Victim Count",
                        animation_frame='Month',
                        color_continuous_scale=px.colors.sequential.Oranges,
                        zoom=3,title="Cantidad de victimas acumulados mes ")
fig.show()

from IPython.display import Image
Image("C:/Users/David Benavides/Documents/Visualización de datos/Vis_espacial_freddy.png")

¿Qué?

• Esta visualización es referenciada a travez de un dataset con información de geometría geográfica, con posiciones dadas por la latitud y longitud de cada una de las ciudades de Estados Unidos que se perpetuaron los diferentes tipos de violencia, este es contrarestado con un atributo de cuantitativo que nos muestra en cantidades el número de casos de violencia según el Estado.

¿Por qué?

• Como bien se dijo en la descripción el usuario requiere ver el tipo de acción que tiene los diferentes tipos de violencia y poder identificar a travez de las coordenadas geográficas de las ciudades de Estados Unidos y la información contenida buscando las ciudades o estados donde se encuentra mas critico los ataques de violencia.

¿Cómo?

• La codificación visual que utiliza esta pieza es un arreglo express donde muestra datos numéricos puntuales donde también utiliza diferentes subcaracteristicas y a través del tamaño nos muestran la frecuencia según las características contrarrestadas.

Marca:

• El tipo de marca que tiene esta visualización es de marcas de puntos para representar las coordenadas geográficas de las ciudades de Estados Unidos, según cada Estado va expandiendo o ajustando su intensidad segun sea la frecuencia.

Canal :

• En cuanto a este ítem la pieza proporciona colores de saturación claros donde tambien encontramos una cingularidad en los puntos donde se expanden o se ajustan.

Mejoras Posibles:

• Una de las mejoras posibles podría ser que al presentar el mapa solo se encuentre sectorizada la region de estados unidos sin que se muestre el mar y demas partes de paises fronterizos, trabajando un poco mejor con los colores.